Repositorym-bain/whisperXTool
Standard-Whisper liefert ungenaue Zeitstempel auf Satzebene und unterstützt kein Batching. WhisperX löst diese Engpässe und ermöglicht automatisierte Untertitelung sowie Meeting-Transkripte auf eigener GPU-Infrastruktur.
OpenAIs Whisper gilt als Standard für Spracherkennung, leidet jedoch unter praktischen Einschränkungen: Zeitstempel weichen oft um mehrere Sekunden ab, es fehlt native Sprecherzuordnung (Diarization), und lange Audioabschnitte führen gelegentlich zu Halluzinationen. WhisperX setzt genau an diesen Schwachstellen an und bündelt spezialisierte Open-Source-Bausteine zu einer durchgängigen Pipeline.
Mit rund 25.000 GitHub-Sternen, Veröffentlichung im ArXiv-Paper und BSD-2-Clause-Lizenz ist das Tool in der Open-Source-Community fest etabliert. Zu beachten ist jedoch die Abhängigkeit von Modellgewichten Dritter: pyannote-audio erfordert beispielsweise Zugriffstoken auf Hugging Face und unterliegt eigenen Lizenzbedingungen für kommerzielle Nutzung.
Zusammenfassung von KI erstellt (Gemini 3.8 Flash, 2. November 2026). Sie kann Fehler enthalten – maßgeblich ist die Originalquelle.
Inhaltlich ähnlich, ermittelt über die KI-Suche.
Repository:jamiepine/voicebox
Voicebox ist ein lokales Open-Source-Sprachstudio, das Sprachsynthese, Voice-Cloning und Diktierfunktionen kombiniert. Die Desktop-Anwendung versteht sich als quelloffene Alternative zu proprietären Cloud-Diensten wie ElevenLabs und WisprFlow.
55.625SterneTypeScript
Artikel:Jakub Mroz, Henry Ndubuaku
Cactus Compute stellt mit Whistle ein leichtgewichtiges Speech-to-Text-Modell vor. Die Datei ist nur 16,9 MB groß, läuft dependency-frei auf der CPU und teilt sich die C++-Engine mit dem hauseigenen Modell Needle, was direkte Tool-Aufrufe aus Audiosignalen ermöglicht.
Repository:huggingface/speech-to-speech
Hugging Face stellt mit speech-to-speech ein modulares Open-Source-Framework bereit, mit dem sich Sprachassistenten auf Basis von Open-Source-Modellen umsetzen lassen. Die Pipeline deckt VAD, STT, LLM und TTS ab und stellt eine Schnittstelle bereit, die zum OpenAI Realtime Event Set über WebSocket und WebRTC kompatibel ist.
13.025SternePython
Repository:QwenAudio/CosyVoice
CosyVoice ist ein quelloffenes TTS-System auf Basis großer Sprachmodelle für mehrsprachige Sprachsynthese und Zero-Shot-Stimmklonen. Es bietet geringe Latenzen für Streaming und unterstützt präzise Aussprachekontrolle für den Produktiveinsatz.
24.220SternePython
Link:ref.wisprflow.ai
Wispr Flow ist ein Spracheingabe-Tool, das speziell auf Programmierer und Entwickler-Workflows ausgelegt ist. Die Software erkennt Fachbegriffe, Programmier-Konventionen wie camelCase sowie Syntax und integriert sich in IDEs wie Cursor und Windsurf.
X-Post:Mario Zechner
Mario Zechner teilt das Sprachmodell Whistle von Cactus. Das quelloffene Speech-to-Text-Modell benötigt lediglich 16,9 MB Speicher, läuft ohne externe Abhängigkeiten auf der CPU und unterstützt sieben Sprachen.
592Lesezeichen24.272Aufrufe
Dieser Inhalt wurde teilweise mithilfe von KI erstellt.
